Академический Документы
Профессиональный Документы
Культура Документы
1. INTRODUÇÃO
Para a geração sintética de vazões foram apresentados na literatura diversos modelos, com
diferentes intervalos de tempo. De um modo geral, esses modelos podem ser agrupados em duas
categorias: modelos de geração direta e modelos de desagregação. À primeira classe pertencem os
Author Title Keyword Theme Browse
modelos, os quais geram vazões simultaneamente para distintos intervalos de tempo
(FERNANDEZ & SALAS, 1986; SIM, 1987; BARTOLINI et al., 1988; CLAPS et al., 1993). Nos
modelos de desagregação as vazões são geradas inicialmente para um intervalo de tempo maior,
por exemplo um ano, e então desagregadas em intervalos de tempo menores, como por exemplo
mês, semana, dia, etc.
Conforme DRACUP et al. (1980) quatro considerações fundamentais devem ser avaliadas,
quando da definição de secas, quais sejam: 1) qual o interesse maior na análise, isto é, qual a
natureza do déficit d’água a ser investigado (meteorológico, hidrológico ou agrícola), 2) qual o
intervalo de discretização utilizado na análise de série de tempo (anual, semestral, mensal, etc.), 3)
qual o patamar estabelecido para separação entre eventos de cheia e de seca e 4) a escolha dos
métodos de regionalização e padronização adotados.
Uma seca hidrológica pode ser definida como um, ou uma seqüência de anos, onde a vazão
média anual permanece abaixo da vazão anual média a longo prazo, considerando-se toda a série
existente (DRACUP et al., 1980). Um evento de seca pode, destarte, ser caracterizado por meio de
três parâmetros, a saber: a duração D, em anos; a severidade ou déficit acumulado S e a magnitude
M, a qual representa o déficit médio acumulado abaixo da vazão média anual.
O modelo AR(1) original, também conhecido como Modelo Thomas-Fiering, pode ser
descrito através da equação:
Qi = µ + ρ (Qi −1 − µ ) + t iσ (1 − ρ 2 )1 / 2
sendo
Qi = vazão no ano i;
µ = média da população;
Author Title Keyword Theme Browse
σ = desvio padrão da população;
ρ = coeficiente de correlação lag-1 da população;
t i = variável aleatória N(0,1).
Qi = φQi −1 + ε i
onde
Qi = vazão no intervalo de tempo i;
φ = coeficiente de autocorrelação;
ε i = variável aleatória independente.
Para a geração de número aleatório com distribuição gama utiliza-se o esquema seguinte:
ε = λ (1 − φ ) + η
sendo
η = 0 → M = 0
M
η = ∑ Y j (φ ) → M > 0
Uj
j =1
com
M = variável aleatória com distribuição Poisson e média igual a − β ln(φ )
U j = variável aleatória uniforme (0,1)
Y j = variável aleatória com distribuição exponencial de média igual a 1 / α .
O modelo anual Alternating Renewal Reward de KENDALL & DRACUP (1992), baseia-
se nas características (duração, severidade e magnitude) dos períodos de secas e cheias
encontrados na série histórica. Ele faz uso da distribuição geométrica para a simulação da duração
dos períodos de secas e cheias e da distribuição gama a dois parâmetros para a reprodução da
severidade.
Uma hipótese básica no processo de modelagem das vazões anuais por meio do modelo
ARR é a de que os eventos de secas sejam oriundos de populações distintas, ou seja, o déficit Yi
(déficit no ano i) seja independente e uniformemente distribuído, dependente, entretanto, da
duração. Para a geração anual são efetuados dois estágios: 1) modelagem do processo seca/cheia,
2) modelagem da vazão dentro de período de seca ou cheia. O modelo pode, deste modo, se
encontrar em um dos dois estados possíveis. Caso, por exemplo, o sistema seja a priori adotado
como sendo cheia, gera-se, então, DH1 anos de cheias. A seguir, adota-se o sistema como seca e
gera-se DL1 anos de seca e assim por diante. Sendo DHn e DLn distribuições de probabilidades
independentes e uniformemente distribuídas.
Author Title Keyword Theme Browse
O problema, portanto, resume-se à identificação de funções de distribuições de
probabilidade para os dois estágios do modelo. Para a modelagem do processo cheia/seca foi
utilizada a distribuição geométrica e para a modelagem da severidade das cheias e secas foi usado
a distribuição gama a dois parâmetros. Um fator restritivo no ajuste das distribuições para a
duração, bem como para a severidade, diz respeito à pequena amostra. Em um período de cerca de
80 anos de dados tem-se, por exemplo, cerca de 15 períodos de seca. Para superar essa deficiência
foram empregados, então, dois procedimentos: decimação e padronização. Na análise de série de
tempo com intervalo menor do que um ano, isto é, caso haja periodicidade, a variável original
pode ser substituída através de uma padronização, com o objetivo de remover essa periodicidade.
f x ( x ) = pq x −1
Para a severidade empregou-se distribuições gama a dois parâmetros para cada duração,
segundo KENDALL & DRACUP (1992):
λe −λYD ( λYD ) r −1
f (YD ) =
Γ (r )
com
sj
Qi , j = Q + r j (Qi , j −1 − Q j −1 ) + t´ j s j (1 − r j )1 / 2 ,
2
s j −1
onde
Qi , j −1 e Qi , j = vazão no mês j-1 e j do ano i
Q j −1 e Q j = vazão média dos meses j-1 e j
s j −1 e s j = desvio padrão dos meses j-1 e j
r j = coeficiente de correlação do mês j
t´' j = variável aleatória de uma distribuição assimétrica
Author Title Keyword Theme Browse
Os resultados insatisfatórios resultantes de aplicações do modulo convencional Thomas-
Fiering em regiões semi-áridas, com inúmeros valores nulos de vazão, trouxeram propostas de
modificações desse modelo apresentadas por CLARKE (1973) e FILHO (1978). Tais
procedimentos levam em consideração a independência entre a ocorrência ou não-ocorrência de
vazão em cada mês do ano.
Inicialmente são determinados as probabilidades de ocorrências de vazão para cada mês,
dadas por:
n'
Pj =
n
onde
n´ = número de valores não nulos de vazão em um dado mês j com n observações;
n = número de anos da série histórica
Para cada mês é então gerado um número aleatório Vj com distribuição uniforme (0,1) e
comparado ao valor de probabilidade de ocorrência de vazão.
V j >Pj ⇒ Qi , j = 0
V j ≤ Pj ⇒ Qi , j > 0
Quando Qi , j > 0 e Qi , j −1 = 0 , então Qi , j é determinado do seguinte modo:
Qi , j = Q j + s j t j
sendo
t j = número aleatório com distribuição normal N(0,1).
Uma outra modificação desse modelo foi proposta por MATALAS (1967). Não sé devido as
características assimétricas das vazões mensais, mas também por causa da dificuldade de obtenção
de um estimador representativo do valor populacional de assimetria, pois as séries históricas de
vazão são geralmente curtas, utiliza-se muitas vezes uma distribuição de probabilidade log-
normal. Como o logaritmo de nulo não é definido, o que impossibilitaria de se aplicar a
transformação log diretamente a séries históricas de rios intermitentes, MATALAS (1967)
apresentou uma forma de estimar os parâmetros da série histórica no domínio logarítmico sem
alterar a série em si.
A maioria dos modelos, entretanto, não captura, a distribuição e a persistência dos totais
anuais. As vazões mensais geradas (por modelos mensais) caso somadas, normalmente diferem
das vazões anuais sintéticas (geradas por modelos anuais), particularmente quando o modelo é
especificado em termo dos logaritmos das vazões, ou de alguma outra transformação efetivada.
Em tais casos, ou as vazões mensais ou as anuais necessitam ser ajustadas para se manter tal
consistência. Uma questão relevante é como ajustar as vazões sazonais geradas sem
substancialmente distorcer suas distribuições marginais. Neste estudo diversos métodos de ajustes
foram testados e analisados.
Na aplicação de modelos estocásticos de vazão em sistemas de recursos hídricos é
importante, portanto, que não apenas os parâmetros estatísticos das vazões mensais, mas também
os das vazões anuais, sejam reproduzidos. Os valores de vazões negativos gerados, bem como a
distorção na distribuição marginal foram observados. A utilização de um ou outro procedimento
de ajuste é de fundamental relevância, notadamente na avaliação da capacidade do modelo de
geração em reproduzir os períodos de secas extremas e estimar com razoável precisão a vizinhança
das vazões anuais históricas.
Author Title Keyword Theme Browse
Qi , j
f i, j = n
∑Q i, j
j =1
sendo:
n = número de meses (n=12); Qi , j = vazão no mês j do ano i.
O modelo de desagregação proposto por VALENCIA & SHAAKE (1973) faz uso de um
modelo de geração de vazão anual, para em seguida desagregar esses valores anuais em vazões
mensais, semanais ou diárias. O modelo baseia-se na equação a seguir:
Qi = AM i + BVi
onde
Qi = matriz de vazões
A = vetor de parâmetros [12x1]
12
M i = matriz coluna de vazão no ano i subtraída de µ , estimado por M = 1
12 ∑Q
j =1
j
Para cada uma das bacias hidrográficas foram geradas 100 séries de 50 anos de extensão,
com cada um dos modelos. Nas figuras 2, 3 e 4 são apresentados comparativos do valor histórico
com o valor mediano (100 séries geradas) dos parâmetros média, desvio padrão e coeficiente de
correlação, respectivamente. Os modelos Frag1 e Frag2 foram os que conseguiram melhor
reproduzir os parâmetros estatísticos analisados.
Vazão Média
His
60 Clarke
50 Matalas
Twotier1
40
(m³/s)
Twotier2
30 Twotier3
20 Frag1
10 Frag2
0 Frag3
J F M A M J J A S O N D Disag
mês
Figura 2 - Parâmetros estatísticos das séries geradas e histórica (média) para o Posto Faz.
Cajazeiras.
Author Title Keyword Theme Browse
Desvio Padrão
His
70 Clarke
60 Matalas
50 Twotier1
Twotier2
(m³/s)
40
30 Twotier3
20 Frag1
10 Frag2
0 Frag3
J F M A M J J A S O N D Disag
mês
Figura 3 - Parâmetros estatísticos das séries geradas e histórica (desvio padrão) para o Posto Faz.
Cajazeiras.
Coeficiente de Correlação
His
1 Clarke
0,8 Matalas
Twotier1
0,6
Twotier2
0,4 Twotier3
0,2 Frag1
0 Frag2
-0,2 Frag3
Disag
J F M A M J J A S O N D
mês
Figura 4 - Parâmetros estatísticos das séries geradas e histórica (coeficiente de correlação) para o
Posto Faz. Cajazeiras.
Na tabela 2 são apresentadas as características das séries histórica e geradas para o Posto
Faz. Cajazeiras, no rio Acaraú. Nas tabelas 3 a 5 encontram-se as estatísticas dos parâmetros
característicos dos períodos de secas e cheias hidrológicas (duração, severidade e magnitude) para
os modelos anuais.
Tabela 2. Comparações das características estatísticas das séries histórica e geradas para o
Posto Faz. Cajazeiras.
Na tabela 6 observam-se os erros médios de ajuste (bias e rmse) para o Posto Faz.
Cajazeiras.
Tabela 6 - Erros médios de ajuste (bias e rmse) para o Posto Faz. Cajazeiras.
Modelo Média Desvio Padrão Coef. de Correlação
bias rmse bias rmse bias rmse
TF/Clarke 0.2876 0.2321 0.2060 0.1674 6.6039 4.1213
TF/Matalas 0.1965 0.1953 0.1639 0.1591 6.4141 1.7117
Two-tier1 0.3237 0.2652 0.2810 0.2007 7.1211 3.9973
Two-tier2 0.3031 0.2808 0.2369 0.2922 8.7538 2.2963
Two-tier3 0.3325 0.2704 0.2691 0.3102 8.5416 5.7129
Frag1 0.0966 0.2136 0.0838 0.1673 0.1276 1.9774
Frag2 0.1381 0.1825 0.1387 0.1028 0.8318 2.6558
Frag3 0.2076 0.1801 0.1111 0.1304 1.1984 1.9313
Disag. 0.4867 0.4691 0.3299 0.3379 7.3794 7.1152
Author Title Keyword Theme Browse
4. CONCLUSÕES E RECOMENDAÇÕES
Neste trabalho foram apresentados vários modelos usados na geração de vazão em região
semi-árida. Os modelos Frag1 e Frag2, quando aplicado às diversas bacias do semi-árido brasileiro
apresentaram resultados mais satisfatórios, provando assim serem uma ferramenta útil no projeto e
otimização de sistemas de reservatórios em regiões semi-áridas.
5. BIBLIOGRAFIA